夜雨聆风
他说出这句话的时候，台下的创业者安静了一秒。
YC 的舞台上，Garry Tan 侧过身，用那种投资人惯有的、半开玩笑的语气问 Alexandr Wang：“给点 alpha。就那种近在眼前、但大家还没想明白的东西。”
Wang 跳过了赛道预测和模型参数，谈起Meta 内部观察到的案例：
“在 Meta 内部，我们已经看到这样的案例，如果你设计出正确的智能体循环（agentic loop），给对评估系统和优化指标，一群智能体可以完成超过一支 100 人工程师团队的工作。非常轻松，真的，非常非常轻松。”
这个百人对比，把多智能体的工程能力推到了 YC 官方舞台的中央。
▲ Rohan Paul 的视频卡保留了完整条件句，包括结尾的“handily / easily”。
把“一百人”换成一个文本文件
要理解这句话的冲击力，先算一笔账
在 Meta 这样的公司，一百名工程师对应着庞大的薪酬、管理与协作成本。Wang 随后描述的实现方式却很朴素：
“skills 文件、markdown 文档、cron 定时任务。”
系统的要素只有一个目标、一个智能体可以优化的指标，以及足够的数据。Wang 认为，它们由此可以“在分布之外找到人类团队未必先想到的解”。
这个案例的关键，在于配置文件、调度器和评估指标组成的闭环。
▲ 科技评论者 Casper 对原话和“公司即反馈环”框架的长文转述。
Garry Tan 几天后发帖补充：一个人加二十个并行智能体，可以超过大型科技公司里一整个工程部门。
一个是 YC 的 CEO，一个是 Meta 首席 AI 官。不过，Wang 只公开了方向性结论，未披露具体项目、智能体数量、运行周期和验收方法。
公司是什么？一个被“慢了半拍”毁掉的反馈环
Wang 在百人对比之后，还给出了一个常被短视频略去的框架：
“公司可以看作反馈环”
他的原话大意是：大多数企业不过是一个大规模的反馈环，客户进来，有人让他们满意，他们付更多钱，这些钱再去雇人获取更多客户。环里有成千上万条边，每条边，过去都需要一个人类来操作。
这正是“蜂群超过百人”的成立条件智能体承接反馈环上的部分执行节点，调度器和打分函数则控制行动与验收。
当写代码这件事本身可以被测试、类型检查、CI 结果这些硬信号评估时，一个 agentic loop 的质量，就取代了一个工位的数量。写指标，取代了写代码
这就是他所说的“mundane”：把业务目标翻译成智能体难以钻空子的评价函数，才是门槛。
我们换成大家熟知的例子讲：写代码已经不稀缺了，稀缺的是“定义什么东西该被写、什么东西算好”。这就是 Goodhart 定律的现代版，指标一旦被优化，它就不再是好指标。 而 Wang 干的，就是把那些还没被优化坏、但已经可以被精确衡量的业务目标，一个个喂进由 markdown 和 cron 包裹的智能体环里。
从“认猫”到编排军团
演讲里还有一段常被剪进短视频的话：
“十年前，最好的模型还在 YouTube 视频里认猫；今天，我们已经在和近乎数字神的系统对话。”
十年从识别猫脸到指挥智能体集群
Wang 紧接着把话题拉回经济构造：即使模型能力从今天起停步，已有能力也足以支撑智能体应用向更多行业扩散，继续改变组织的工作方式。
MetaGPT 这样的开源项目早已探索这个方向。它把软件公司里的产品经理、架构师、工程师角色写进多智能体协作框架，输入自然语言需求，输出用户故事、数据结构和 API 文档。它用人类软件工程的 SOP 和流水线约束组织多智能体，以减少级联幻觉。
▲ MetaGPT 在 Github 上积累了近七万星，一条自下而上的、把公司 SOP 写进智能体协作的路线。
再往上游看，Anthropic 在 2026 年中发布的 Claude Code 研究里，给出了一个更精确的图景：
人做规划决策，模型做执行决策。
这项隐私保护分析覆盖约四十万次会话、二十三万名用户。结果显示，领域专长越高，单条指令撬动的工作量越大。Wang 口中的智能体蜂群，可以看作这种“人做规划、模型做执行”分工被大幅扩展后的构想。
▲ Anthropic 的独立数据显示：领域专长会提高单条指令所撬动的工作量。
“数字之神”背后的价钱
这个内部案例还有一层公司背景
2025 年中，Meta 对 Scale AI 投资约 143 亿美元，持股接近半数；Wang 加入 Meta，负责“超级智能”方向。美联社当时报道，Meta 获得 Scale AI 约 49% 股权，并招募 Wang 加入超级智能团队。
同年到次年，Meta 的 Muse Spark 面世，CNBC 在 2026 年 6 月的标题却写着：
“Meta 请来 Wang 构建新模型一年后，轮到了 Zuckerberg 去卖它。”
内部工程案例与对外产品的商业化仍有距离。CNBC 的回顾将 Muse Spark 的推出与后续市场验证并置，表明智能体在内部的效率结论，还需要产品和业务数据来支撑。
▲ YC 官方库中记录着完整的章节标题：Personal Superintelligence、Frontier Lab、Why Models Must Be Cheap。
稀缺的是目标定义
回到开头那个画面：Tan 要 alpha，Wang 给了一个不该被当成 alpha 的东西。
因为 alpha 的定义是“还没人说出来、一听就赚到”的信息。而他说的，其实是：
把模糊目标和硬指标划等号的能力，正在变成这个行业里唯一的议价权。
一位印度技术人 Karl Mehta 在转发里配了句被广泛引用的评论：
“写指标，可能比写代码更重要。”
另一位读者将“愿景与野心将成稀缺品”换成了技能语言：
“知道该思考什么，成了稀缺技能。”
▲ 社区中一条被高赞的翻译：把抽象的“vision”变成了普通人的职业技能要求
Wang 的案例把注意力从代码生成移到了目标定义、指标设计和系统编排。模型可以写代码、审代码、跑实验和迭代指标，但错误目标也会被更快地放大。
公开材料至今未披露 Meta 内部案例的测试设计与验收数据。因此，“超过百人工程团队”更适合被视为一位负责人对内部案例的描述，尚未构成可独立复核的实验报告。它最有用的启示落在工程细节上：用 markdown 写清规则，用 cron 稳定调度，用难以被利用的指标校验结果。
（本文引用的演讲语录均来自 YC Startup School 2026 官方视频及 Root Access 文字转录；社交网络转述已标注来源，读者可自行比对原话。）
